CN116663747A - 一种基于数据中心基础设施的智能预警方法及系统 - Google Patents
一种基于数据中心基础设施的智能预警方法及系统 Download PDFInfo
- Publication number
- CN116663747A CN116663747A CN202310882577.9A CN202310882577A CN116663747A CN 116663747 A CN116663747 A CN 116663747A CN 202310882577 A CN202310882577 A CN 202310882577A CN 116663747 A CN116663747 A CN 116663747A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- facility
- consumption data
- facility energy
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005265 energy consumption Methods 0.000 claims abstract description 515
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 239000006185 dispersion Substances 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本申请提供了一种基于数据中心基础设施的智能预警方法及系统,确定数据中心基础设施的设施能耗数据集的能耗数据离散度,通过能耗数据离散度确定异常设施能耗数据集;根据设施能耗数据集和预设设施界限能耗对异常设施能耗数据集进行修正,得到修正设施能耗数据集;根据设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;通过设施能耗预测模型对修正设施能耗数据集进行预测,得到预测设施能耗数据,根据预测设施能耗数据与设施能耗数据集中的实时设施能耗数据确定设施能耗差值;当设施能耗差值处于给定的能耗预警区间时,生成设施预警报告并发送给设施管理人员,以解决数据中心的基础设施报警可信度低的技术问题。
Description
技术领域
本申请涉及数据中心基础设施的智能预警技术领域,更具体的说,本申请涉及一种基于数据中心基础设施的智能预警方法及系统。
背景技术
数据中心用于存储、处理和管理大量数据和信息,它是由计算机服务器、网络设备、存储系统和相关基础设施组成的集中化环境,数据中心通常用于支持各种信息技术服务,如云计算、大数据分析、在线服务、电子商务和企业应用程序,它们承担着存储和处理海量数据的任务,并提供可靠的计算和网络资源,数据中心的基础设施包括变压器、配电柜、不间断电源、机柜等。
数据中心基础设施的监控和报警方法可以帮助数据中心管理员及时发现和解决故障或问题,以确保数据中心的可靠性和稳定性,部署监控系统来监测数据中心的关键指标,如服务器的健康状态、网络流量、温度和能源利用率等,通过设置阈值和规则,当这些指标超过或接近预设的阈值时,系统会发出警报通知管理员,这可以帮助管理员及时采取行动,防止故障或问题导致服务中断,但在现有技术中,在数据中心基础设施运行时产生的数据庞大复杂,且存在异常设施数据,此时通过预设阈值和规则来进行判定报警,存在数据中心的基础设施报警可信度低的技术问题。
发明内容
本申请提供一种基于数据中心基础设施的智能预警方法及系统,以解决数据中心的基础设施报警可信度低的技术问题。
为解决上述技术问题,本申请采用如下技术方案:
第一方面,本申请提供一种基于数据中心基础设施的智能预警方法,包括:
获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;
根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;
根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;
通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;
当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
在一些实施例中,所述数据中心基础设施的设施能耗数据集包括历史设施能耗数据集和实时设施能耗数据。
在一些实施例中,确定所述设施能耗数据集的能耗数据离散度具体包括:
将设施能耗数据集中的历史设施能耗数据按照升序排列;
计算排序后历史设施能耗数据集的低值数和高值数;
根据所述低值数和所述高值数确定能耗数据离散度。
在一些实施例中,通过所述能耗数据离散度确定异常设施能耗数据集具体包括:
根据能耗数据离散度确定异常能耗区间;
将设施能耗数据集中处于所述异常能耗区间之外的设施能耗数据作为异常设施能耗数据,进而确定异常设施能耗数据集。
在一些实施例中,根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型具体包括:
通过动态最小二乘法估计能耗预测系数;
对设施能耗预测模型的残差项进行调整,得到设施能耗调整项;
根据设施能耗数据集中的历史设施能耗数据集、所述能耗预测系数和所述设施能耗调整项确定设施能耗预测模型,所述设施能耗预测模型的表达式如下:
其中,表示预测能耗设施数据,/>表示第/>个历史设施能耗数据,/>表示第/>个能耗预测系数,/>表示历史设施能耗数据的数量,/>表示设施能耗调整项,/>表示设施能耗调整系数,/>表示设施能耗预测模型的残差项。
在一些实施例中,所述能耗预警区间根据下述方法确定:
确定数据中心基础设施的正常能耗数据;
将所述正常能耗数据上下浮动2%的范围作为能耗可信区间;
根据所述能耗可信区间确定能耗预警区间。
在一些实施例中,所述设施预警报告包括预测设施能耗数据、数据中心基础设施的运行状态和预警操作指令。
第二方面,本申请提供一种基于数据中心基础设施的智能预警系统,包括有设施能耗预警单元,所述设施能耗预警单元包括:
异常设施能耗数据集确定模块,用于获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;
修正设施能耗数据集确定模块,用于根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;
设施能耗预测模型构建模块,用于根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;
设施能耗差值确定模块,用于通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;
能耗预警模块,用于当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的基于数据中心基础设施的智能预警方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于数据中心基础设施的智能预警方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的一种基于数据中心基础设施的智能预警方法及系统中,获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
本申请中,首先,通过修正异常设施能耗数据,提高设施能耗数据的准确性和可信度,有助于进行能耗预测,提高预警的准确性,其次,通过设施能耗预测模型对修正设施能耗数据集进行预测得到更准确的预测能耗设施数据,然后,当设施能耗差值处于能耗预警区间,进行数据中心基础设施的智能预警,最后,生成设施预警报告,并发送给数据中心的设施管理人员,以解决数据中心的基础设施报警可信度低的技术问题。
附图说明
图1是根据本申请一些实施例所示的基于数据中心基础设施的智能预警方法的示例性流程图;
图2是根据本申请一些实施例所示的设施能耗预警单元的示例性硬件和/或软件的示意图;
图3是根据本申请一些实施例所示的应用基于数据中心基础设施的智能预警方法的计算机设备的结构示意图。
具体实施方式
本申请实例提供一种基于数据中心基础设施的智能预警方法及系统,其核心是获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员,以解决数据中心的基础设施报警可信度低的技术问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的一种基于数据中心基础设施的智能预警方法的示例性流程图,该基于数据中心基础设施的智能预警方法100主要包括如下步骤:
在步骤101,获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集。
在一些实施例中,获取数据中心基础设施的设施能耗数据集,在数据中心的基础设施和设备上安装电表和传感器,用于监测设施能耗数据,电表可以用来测量电力消耗,传感器可以测量其他设施能耗相关的指标,如温度、湿度和气流等,数据中心的基础设施通常会生成设施能耗数据,并通过有线或无线方式将采集的设施能耗数据传输到集中的数据采集平台,以得到数据中心基础设施的设施能耗数据集。
在一些实施例中,所述数据中心基础设施的设施能耗数据集包括历史设施能耗数据集和实时设施能耗数据,其中,历史设施能耗数据集通常以时间序列形式存储,包括设施总能耗和各个设施的能耗数据,例如变压器、配电柜、不间断电源、机柜等,在实际实现时,数据中心生成基础设施的设施能耗报告或文档,其中包含过去一段时间的设施能耗数据,可以从中提取所需的设施能耗数据;实时设施能耗数据可以通过监控系统的接口进行提取,数据中心的基础设施上安装的传感器可以实时测量设施能耗数据,例如电表和环境传感器,这些传感器通常与监控系统或数据采集平台连接,可以提供实时设施能耗数据,通过历史设施能耗数据集和实时设施能耗数据形成设施能耗数据集。
在一些实施例中,确定所述设施能耗数据集的能耗数据离散度具体可采用下述方式,即:
将设施能耗数据集中的历史设施能耗数据按照升序排列,计算排序后历史设施能耗数据集的低值数和高值数,根据所述低值数和所述高值数确定能耗数据离散度;需要说明的是,低值数是将设施能耗数据集按升序排序后,位于数据中间位置的25%处的数值,高值数是将数据按升序排序后,位于数据中间位置的75%处的数值;例如,设施能耗数据集的设施能耗数据个数为n,当n为奇数时,确定25%处对应的索引值为,将距离该索引最近的数作为低值数,确定75%处对应的索引值为/>,将距离该索引最近的数作为高值数,当n为偶数时,取距离25%处近的两个数的平均值作为低值数,取距离75%处近的两个数的平均值作为高值数;将高值数与低值数的差值作为能耗数据离散度,该能耗数据离散度表示设施能耗数据集的数据离散程度,较大的能耗数据离散度表示设施能耗数据集的数据离散程度大,较小的能耗数据离散度表示设施能耗数据集的数据离散程度小。
优选的,在一些实施例中,通过所述能耗数据离散度确定异常设施能耗数据集具体可采用下述方式,即:
根据能耗数据离散度确定异常能耗区间,将设施能耗数据集中处于所述异常能耗区间之外的设施能耗数据作为异常设施能耗数据,进而确定异常设施能耗数据集;将高值数与三倍的能耗数据离散度之和作为异常能耗区间的区间上限,将低值数与三倍的能耗数据离散度之差作为异常能耗区间的区间下限,进而确定异常能耗区间,通过该异常能耗区间对设施能耗数据集中的设施能耗数据进行筛选,将设施能耗数据集中处于异常能耗区间之外的设施能耗数据作为异常设施能耗数据,将确定的所有异常设施能耗数据存入一个集合,形成异常设施能耗数据集。
在步骤102,根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集。
优选的,在一些实施例中,根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正具体可采用下述方式,即:
通过设施能耗数据集确定历史设施能耗数据集,根据所述历史设施能耗数据集和预设设施界限能耗对异常设施能耗数据集中的异常设施能耗数据进行修正,得到修正设施能耗数据,所述修正设施能耗数据根据下述公式确定:
其中,表示修正设施能耗数据,/>表示异常设施能耗数据集中的第/>个异常设施能耗数据,/>和/>分别表示历史设施能耗数据集中的第/>个和第/>个历史设施能耗数据,/>表示预设设施界限能耗,/>和/>表示当异常设施能耗数据大于预设设施界限能耗时的修正能耗的待定系数,/>和/>表示当异常设施能耗数据不大于预设设施界限能耗时的修正能耗的待定系数。
需要说明的是,预设设施界限能耗是根据历史异常设施能耗数据修正情况确定的一个常数值,具体实现时,也可以通过回归分析来确定预设设施界限能耗的具体取值;修正能耗的待定系数取值也可以通过回归分析来确定,通过评估在不同修正能耗的待定系数下异常设施能耗数据修正效果,确定最优修正能耗的待定系数,具体实现时,可以通过评估通过不同修正能耗的待定系数下对修正得到的修正设施能耗数据的均方误差来判断修正效果,选择均方误差最小的修正设施能耗数据对应的修正能耗的待定系数。
在一些实施例中,通过对异常设施能耗数据集中的每个异常设施能耗数据进行修正,将得到的所有修正设施能耗数据存入一个集合,形成修正设施能耗数据集。
需要说明的是,通过修正异常设施能耗数据,可以提高设施能耗数据的准确性和可信度,有助于进行能耗预测,异常设施能耗数据可能是由于传感器故障、设施能耗数据传输错误或其他干扰因素导致的,修正后的设施能耗数据能更好地反映实际情况,通过修正异常设施能耗数据,可以减少错误警报和误判,提高故障检测和预警的准确性。
在步骤103,根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型。
在一些实施例中,根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型具体可采用下述方式,即:
通过动态最小二乘法估计能耗预测系数,对设施能耗预测模型的残差项进行调整,得到设施能耗调整项,根据设施能耗数据集中的历史设施能耗数据集、所述能耗预测系数和所述设施能耗调整项确定设施能耗预测模型,所述设施能耗预测模型的表达式如下:
其中,表示预测能耗设施数据,/>表示第/>个历史设施能耗数据,/>表示第/>个能耗预测系数,/>表示历史设施能耗数据的数量,/>表示设施能耗调整项,/>表示设施能耗调整系数,/>表示设施能耗预测模型的残差项。
需要说明的是,通过最小二乘法对初始设施能耗预测模型进行参数估计,得到初始的能耗预测系数,基于残差项和历史设施能耗数据集,利用动态最小二乘法进行能耗预测系数的估计,动态最小二乘法考虑了残差的时间序列特性,通过迭代过程对设施能耗预测模型的能耗预测系数进行优化,以确保设施能耗预测模型的准确性和稳定性,设施能耗调整系数表示设施能耗调整项对设施能耗预测模型的残差项的调整速度,通过设施能耗调整项,可以纠正设施能耗预测模型的偏差或误差,使得设施能耗预测模型的预测结果更加接近实际能耗数据,设施能耗调整项充当了对预测值的补偿,使预测结果更加准确。
在步骤104,通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值。
在一些实施例中,通过设施能耗预测模型对修正后的设施能耗数据集进行预测,可以得到预测的设施能耗数据,使用已构建的设施能耗预测模型,输入修正后的设施能耗数据集,进行能耗预测,根据模型的类型和参数,计算得到预测的设施能耗数据,从实时设施能耗数据集中获取相应时间段的实时设施能耗数据,对比预测设施能耗数据和实时设施能耗数据,计算设施能耗差值。差值可以通过以下公式计算:
设施能耗差值 = |预测设施能耗数据 - 实时设施能耗数据|
需要说明的是,设施能耗差值表示了预测设施能耗与实际设施能耗之间的差异,设施能耗差值的变化可以用于检测能耗异常情况或故障发生的可能性,较大的设施能耗差值表明实时设施能耗数据与预测设施能耗数据存在明显偏差,可能是由于设备故障、操作异常或其他外部因素引起的,通过监测设施能耗差值的变化趋势,可以及时发现异常情况,并进行相应的预警。
在步骤105,当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
在一些实施例中,所述能耗预警区间根据下述方法确定:
确定数据中心基础设施的正常能耗数据,将所述正常能耗数据上下浮动2%的范围作为能耗可信区间,根据所述能耗可信区间确定能耗预警区间;根据历史能耗数据集,计算出数据中心基础设施的正常能耗数据,可以采用平均值、中位数等统计方法来确定正常能耗水平,根据正常能耗数据,计算出能耗可信区间。将正常能耗数据的上限乘以1.02,即上浮2%,作为能耗可信区间的上界,将正常能耗数据的下限乘以0.98,即下浮2%,作为能耗可信区间的下界,可以将不是能耗可信区间范围作为能耗预警区间,如果设施能耗差值超出了能耗可信区间,即处于能耗预警区间,则触发数据中心基础设施的智能预警。这表示设施的实际能耗与预测存在较大的差异,可能存在异常情况或需要采取措施进行能耗优化。
在一些实施例中,所述设施预警报告包括预测设施能耗数据、数据中心基础设施的运行状态和预警操作指令。
设施预警报告中可以提供预测的设施能耗数据,也可以提供关于数据中心基础设施的运行状态的信息,这包括设施各项指标的实际数值,如温度、湿度、电压、电流等,以及与设施运行状态相关的其他参数,通过这些信息,设施管理人员可以了解当前设施的运行状况,还可以包含预警操作指令,指导设施管理人员在预警情况下应该采取的具体措施,这些指令可能涉及设备调整、冷却增强、检查设备状态、通知相关人员等,这有助于提高数据中心基础设施的运行效率、降低故障风险,并确保基础设施能耗在可控范围内。
本申请中,首先,通过修正异常设施能耗数据,提高设施能耗数据的准确性和可信度,有助于进行能耗预测,提高预警的准确性,其次,通过设施能耗预测模型对修正设施能耗数据集进行预测得到更准确的预测能耗设施数据,然后,当设施能耗差值处于能耗预警区间,进行数据中心基础设施的智能预警,最后,生成设施预警报告,并发送给数据中心的设施管理人员,以解决数据中心的基础设施报警可信度低的技术问题。
另外,本申请的另一方面,在一些实施例中,本申请提供一种基于数据中心基础设施的智能预警系统,该系统包括有设施能耗预警单元,参考图2,该图是根据本申请一些实施例所示的设施能耗预警单元的示例性硬件和/或软件的示意图,该设施能耗预警单元200包括:异常设施能耗数据集确定模块201、修正设施能耗数据集确定模块202、设施能耗预测模型构建模块203、智能家设施能耗差值确定模块204和能耗预警模块205,分别说明如下:
异常设施能耗数据集确定模块201,本申请中异常设施能耗数据集确定模块201主要用于获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;
修正设施能耗数据集确定模块202,本申请中修正设施能耗数据集确定模块202主要用于根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;
设施能耗预测模型构建模块203,本申请中设施能耗预测模型构建模块203主要用于根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;
设施能耗差值确定模块204,本申请中设施能耗差值确定模块204主要用于通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;
能耗预警模块205,本申请中能耗预警模块205主要用于当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
在一些实施例中,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的基于数据中心基础设施的智能预警方法。
在一些实施例中,参考图3,该图是根据本申请施例提供的一种基于数据中心基础设施的智能预警方法的计算机设备的结构示意图。上述实施例中的上述的基于数据中心基础设施的智能预警方法可以通过图3所示的计算机设备来实现,该计算机设备300包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中的基于数据中心基础设施的智能预警方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中基于数据中心基础设施的智能预警方法可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑 (personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
例如,在一些实施例中,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于数据中心基础设施的智能预警方法。
本发明是根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发
明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于数据中心基础设施的智能预警方法,其特征在于,包括如下步骤:
获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;
根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;
根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;
通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;
当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
2.如权利要求1所述的方法,其特征在于,所述数据中心基础设施的设施能耗数据集包括历史设施能耗数据集和实时设施能耗数据。
3.如权利要求1所述的方法,其特征在于,确定所述设施能耗数据集的能耗数据离散度具体包括:
将设施能耗数据集中的历史设施能耗数据按照升序排列;
计算排序后历史设施能耗数据集的低值数和高值数;
根据所述低值数和所述高值数确定能耗数据离散度。
4.如权利要求1所述的方法,其特征在于,通过所述能耗数据离散度确定异常设施能耗数据集具体包括:
根据能耗数据离散度确定异常能耗区间;
将设施能耗数据集中处于所述异常能耗区间之外的设施能耗数据作为异常设施能耗数据,进而确定异常设施能耗数据集。
5.如权利要求1所述的方法,其特征在于,根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型具体包括:
通过动态最小二乘法估计能耗预测系数;
对设施能耗预测模型的残差项进行调整,得到设施能耗调整项;
根据设施能耗数据集中的历史设施能耗数据集、所述能耗预测系数和所述设施能耗调整项确定设施能耗预测模型,所述设施能耗预测模型的表达式如下:
其中,表示预测能耗设施数据,/>表示第/>个历史设施能耗数据,/>表示第/>个能耗预测系数,/>表示历史设施能耗数据的数量,/>表示设施能耗调整项,/>表示设施能耗调整系数,/>表示设施能耗预测模型的残差项。
6.如权利要求1所述的方法,其特征在于,所述能耗预警区间根据下述方法确定:
确定数据中心基础设施的正常能耗数据;
将所述正常能耗数据上下浮动2%的范围作为能耗可信区间;
根据所述能耗可信区间确定能耗预警区间。
7.如权利要求1所述的方法,其特征在于,所述设施预警报告包括预测设施能耗数据、数据中心基础设施的运行状态和预警操作指令。
8.一种基于数据中心基础设施的智能预警系统,其特征在于,包括有设施能耗预警单元,所述设施能耗预警单元包括:
异常设施能耗数据集确定模块,用于获取数据中心基础设施的设施能耗数据集,确定所述设施能耗数据集的能耗数据离散度,通过所述能耗数据离散度确定异常设施能耗数据集;
修正设施能耗数据集确定模块,用于根据所述设施能耗数据集和预设设施界限能耗对所述异常设施能耗数据集进行修正,进而确定修正设施能耗数据集;
设施能耗预测模型构建模块,用于根据所述设施能耗数据集中的历史设施能耗数据集和能耗预测系数构建设施能耗预测模型;
设施能耗差值确定模块,用于通过所述设施能耗预测模型对所述修正设施能耗数据集进行预测,得到预测设施能耗数据,将所述预测设施能耗数据与所述设施能耗数据集中的实时设施能耗数据进行对比,确定设施能耗差值;
能耗预警模块,用于当所述设施能耗差值处于给定的能耗预警区间时,生成设施预警报告,将所述设施预警报告发送给设施管理人员。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至7任一项所述的基于数据中心基础设施的智能预警方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于数据中心基础设施的智能预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882577.9A CN116663747B (zh) | 2023-07-19 | 一种基于数据中心基础设施的智能预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882577.9A CN116663747B (zh) | 2023-07-19 | 一种基于数据中心基础设施的智能预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116663747A true CN116663747A (zh) | 2023-08-29 |
CN116663747B CN116663747B (zh) | 2024-04-12 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349778A (zh) * | 2023-12-04 | 2024-01-05 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205774A1 (en) * | 2018-01-02 | 2019-07-04 | International Business Machines Corporation | Fast detection of energy consumption anomalies in buildings |
CN110046744A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于趋势预测的能耗数据预警方法及相关设备 |
CN111371647A (zh) * | 2020-03-02 | 2020-07-03 | 清华大学 | 数据中心监控数据预处理方法及装置 |
CN113393325A (zh) * | 2021-05-21 | 2021-09-14 | 乐刷科技有限公司 | 交易检测方法、智能设备及计算机存储介质 |
CN114338348A (zh) * | 2021-12-08 | 2022-04-12 | 邵也铮 | 一种智能告警方法、装置、设备及可读存储介质 |
CN114676931A (zh) * | 2022-04-12 | 2022-06-28 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于数据中台技术的电量预测系统 |
CN114936701A (zh) * | 2022-05-30 | 2022-08-23 | 国网综合能源服务集团有限公司 | 综合能源消耗实时监测方法、装置及终端设备 |
CN115270933A (zh) * | 2022-07-11 | 2022-11-01 | 中交四航局江门航通船业有限公司 | 区域能耗监测数据异常预警方法、系统、装置及存储介质 |
CN115327264A (zh) * | 2022-07-28 | 2022-11-11 | 中国电信股份有限公司 | 一种数据中心的异常检测方法、装置、电子设备和介质 |
CN115965160A (zh) * | 2023-01-18 | 2023-04-14 | 中国长江三峡集团有限公司 | 一种数据中心能耗预测方法、装置、存储介质及电子设备 |
CN116383773A (zh) * | 2023-01-31 | 2023-07-04 | 华南理工大学 | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190205774A1 (en) * | 2018-01-02 | 2019-07-04 | International Business Machines Corporation | Fast detection of energy consumption anomalies in buildings |
CN110046744A (zh) * | 2019-03-12 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于趋势预测的能耗数据预警方法及相关设备 |
CN111371647A (zh) * | 2020-03-02 | 2020-07-03 | 清华大学 | 数据中心监控数据预处理方法及装置 |
CN113393325A (zh) * | 2021-05-21 | 2021-09-14 | 乐刷科技有限公司 | 交易检测方法、智能设备及计算机存储介质 |
CN114338348A (zh) * | 2021-12-08 | 2022-04-12 | 邵也铮 | 一种智能告警方法、装置、设备及可读存储介质 |
CN114676931A (zh) * | 2022-04-12 | 2022-06-28 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于数据中台技术的电量预测系统 |
CN114936701A (zh) * | 2022-05-30 | 2022-08-23 | 国网综合能源服务集团有限公司 | 综合能源消耗实时监测方法、装置及终端设备 |
CN115270933A (zh) * | 2022-07-11 | 2022-11-01 | 中交四航局江门航通船业有限公司 | 区域能耗监测数据异常预警方法、系统、装置及存储介质 |
CN115327264A (zh) * | 2022-07-28 | 2022-11-11 | 中国电信股份有限公司 | 一种数据中心的异常检测方法、装置、电子设备和介质 |
CN115965160A (zh) * | 2023-01-18 | 2023-04-14 | 中国长江三峡集团有限公司 | 一种数据中心能耗预测方法、装置、存储介质及电子设备 |
CN116383773A (zh) * | 2023-01-31 | 2023-07-04 | 华南理工大学 | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 |
Non-Patent Citations (1)
Title |
---|
赵超;戴坤成;: "自适应加权最小二乘支持向量机的空调负荷预测", 重庆大学学报, no. 01, 15 February 2016 (2016-02-15), pages 55 - 64 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117349778A (zh) * | 2023-12-04 | 2024-01-05 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
CN117349778B (zh) * | 2023-12-04 | 2024-02-20 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095744B (zh) | 一种电子式互感器误差预测方法 | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
CN108776855A (zh) | 一种智能设备健康状态评价方法及系统 | |
CN117034194A (zh) | 基于人工智能的核电仪表设备运维管理系统、方法及设备 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
US11657148B2 (en) | Event analysis in an electric power system | |
CN112862222A (zh) | 空调回风温度的预测方法、异常监控方法和相关装置 | |
CN108921223A (zh) | 一种服务器冷却系统及控制方法、计算机程序、计算机 | |
CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
US20170302506A1 (en) | Methods and apparatus for fault detection | |
CN116663747A (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
CN116032016A (zh) | 智慧风电场运行状态在线监测预警系统及预警方法 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN111901156B (zh) | 一种监控故障的方法及装置 | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
CN113901649A (zh) | 一种频率仿真中负荷参数辨识方法、系统及存储介质 | |
Hu et al. | Adaptive threshold modeling algorithm for monitoring indicators of power network server based on Chebyshev inequality | |
CN116703037B (zh) | 一种基于道路施工的监控方法及装置 | |
CN113758608B (zh) | 一种报警处理方法和装置 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
TWI763177B (zh) | 用於多個網路設備之管理系統、方法及電腦可讀媒介 | |
CN114563045B (zh) | 一种医院后勤系统的检测方法、装置、电子设备及介质 | |
CN117216469B (zh) | 一种电力系统实时监测与预测的大数据处理方法及系统 | |
CN113592672B (zh) | 基于工业互联网平台的工业管理控制方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |